ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਅਤੇ ਨਿਗਰਾਨੀ ਟੂਲ AI ਏਜੈਂਟਾਂ ਲਈ ਵੱਖ-ਵੱਖ ਉਦੇਸ਼ਾਂ ਦੀ ਸੇਵਾ ਕਰਦੇ ਹਨ। ਨਿਗਰਾਨੀ ਟੂਲ ਲੌਗ ਕਰਦੇ ਹਨ ਕਿ ਕੀ ਹੋਇਆ — ਕਾਰਵਾਈਆਂ, ਦੇਰੀ, ਗਲਤੀਆਂ। ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਇਹ ਕੈਪਚਰ ਕਰਦੀ ਹੈ ਕਿ ਫੈਸਲੇ ਕਿਉਂ ਕੀਤੇ ਗਏ — ਤਰਕ ਦੀਆਂ ਚੇਨ, ਪੂਰਵ ਨਜ਼ੀਰ, ਤਰਕ। AI ਏਜੈਂਟਰੀ ਉਹ ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਪਰਤ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਜੋ ਮੌਜੂਦਾ ਨਿਗਰਾਨੀ ਸਟੈਕ ਨੂੰ ਪੂਰਕ ਕਰਦੀ ਹੈ। ਨਿਗਰਾਨੀ ਦਾ ਬਦਲ ਨਹੀਂ, ਪਰ ਸਮਝਣਯੋਗ AI ਫੈਸਲਿਆਂ ਲਈ ਗੁੰਮ ਹੋਈ ਪਰਤ।
TL;DR: ਨਿਗਰਾਨੀ ਟੂਲ ਲੌਗ ਕਰਦੇ ਹਨ ਕਿ ਤੁਹਾਡਾ AI ਕੀ ਕਰ ਰਿਹਾ ਹੈ। ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਇਹ ਕੈਪਚਰ ਕਰਦੀ ਹੈ ਕਿ ਇਸਨੇ ਕਿਉਂ ਫੈਸਲਾ ਕੀਤਾ। ਇਹ ਪੂਰਕ ਪਰਤਾਂ ਹਨ — ਤੁਹਾਨੂੰ ਦੋਹਾਂ ਦੀ ਲੋੜ ਹੈ।
AI ਏਜੈਂਟਰੀ ਤੁਹਾਡੇ ਨਿਗਰਾਨੀ ਸਟੈਕ ਨੂੰ ਬਦਲ ਨਹੀਂ ਰਹੀ। ਇਹ ਉਹ ਫੈਸਲਾ ਪਰਤ ਜੋੜ ਰਹੀ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਗੁੰਮ ਹੈ।
ਇਹ ਕਿਉਂ ਫੈਸਲਾ ਕੀਤਾ ਗਿਆ?
ਪ੍ਰੋ/ਕਨ ਟ੍ਰੀਜ਼, ਪੂਰਵ ਨਿਦੇਸ਼ਾਂ ਦੇ ਹਵਾਲੇ, ਸਬੂਤਾਂ ਨਾਲ ਪ੍ਰੋਵੈਨੈਂਸ, ਨੀਤੀ ਮੁਲਾਂਕਣ, ਤਰਕ ਚੋਣ
← AI ਏਜੈਂਟਰੀ ਇਸ ਲੇਅਰ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ
ਕੀ ਫੈਸਲਾ ਕੀਤਾ ਗਿਆ?
ਨਤੀਜਾ, ਭਰੋਸਾ, ਮੁਲਾਂਕਣ ਕੀਤੀਆਂ ਨੀਤੀਆਂ, ਮਨਜ਼ੂਰੀਆਂ, SLA ਟ੍ਰੈਕਿੰਗ, ਸਮੇਂ ਦੇ ਨਾਲ ਨਤੀਜਾ
← AI ਏਜੈਂਟਰੀ ਇਸ ਲੇਅਰ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ
ਕਾਰਵਾਈ ਕਿਵੇਂ ਹੋਈ?
ਟ੍ਰੇਸ, ਸਪੈਨ, ਦੇਰੀ, ਗਲਤੀਆਂ, ਟੋਕਨ ਦੀ ਵਰਤੋਂ, API ਕਾਲਾਂ, ਕਾਰਵਾਈ ਦਾ ਰਸਤਾ
← ਤੁਹਾਡੇ ਮੌਜੂਦਾ ਨਿਗਰਾਨੀ ਦੇ ਟੂਲ (ਇਹਨਾਂ ਨੂੰ ਰੱਖੋ!)
ਜ਼ਿਆਦਾਤਰ ਟੀਮਾਂ ਪਰਤ A ਬਣਾਉਂਦੀਆਂ ਹਨ। ਕੁਝ ਪਰਤ B ਨੂੰ ਟ੍ਰੈਕ ਕਰਦੀਆਂ ਹਨ। ਲਗਭਗ ਕੋਈ ਵੀ ਪਰਤ C ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੈਪਚਰ ਨਹੀਂ ਕਰਦਾ।
ਇਹ ਉਹ ਖਾਲੀ ਜਗ੍ਹਾ ਹੈ ਜਿਸਨੂੰ AI ਏਜੈਂਟਰੀ ਭਰਦੀ ਹੈ।
ਇਹਨਾਂ ਵਿੱਚ ਇਹ ਚੰਗੇ ਹਨ:
ਜਵਾਬ: "ਏਜੈਂਟ ਨੇ ਕਿਵੇਂ ਕਾਰਵਾਈ ਕੀਤੀ?"
ਅਸੀਂ ਕੀ ਕੈਪਚਰ ਕਰਦੇ ਹਾਂ:
ਜਵਾਬ: "ਏਜੈਂਟ ਨੇ ਇਹ ਫੈਸਲਾ ਕਿਉਂ ਕੀਤਾ?"
# Trace ID: abc-123
agent.run() → 2.3s
├─ policy.check() → 45ms
├─ llm.complete() → 1.8s
├─ crm.lookup() → 120ms
└─ decision.log() → 15ms
Result: APPROVED
ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਇਸਨੂੰ 2.3 ਸਕਿੰਟ ਲੱਗੇ ਅਤੇ 4 ਕਾਲਾਂ ਕੀਤੀਆਂ। ਪਰ ਇਹਨੇ ਕਿਉਂ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ?
# Decision: Refund Request #7842
PRO: Premium customer (tier=gold)
PRO: Similar case D-1234 approved
PRO: Defect claim verified
CON: Over 30-day policy window
Confidence: 94%
Rationale: Precedent + customer tier
ਹੁਣ ਤੁਸੀਂ ਫੈਸਲੇ ਨੂੰ ਸਮਝਾ ਸਕਦੇ ਹੋ, ਆਡੀਟ ਕਰ ਸਕਦੇ ਹੋ, ਅਤੇ ਸਿੱਖ ਸਕਦੇ ਹੋ।
ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਨਿਗਰਾਨੀ ਨੂੰ ਪੂਰਕ ਕਰਦੀ ਹੈ। ਆਪਣੇ ਮੌਜੂਦਾ ਸਟੈਕ ਨੂੰ ਰੱਖੋ:
ਨਿਗਰਾਨੀ ਦੇ ਟੂਲ ਇਹ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਕੀ ਹੋਇਆ — ਟ੍ਰੇਸ, ਸਪੈਨ, ਦੇਰੀ, ਗਲਤੀਆਂ। ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਇਹ ਪਕੜਦੀ ਹੈ ਕਿ ਫੈਸਲੇ ਕਿਉਂ ਕੀਤੇ ਗਏ — ਤਰਕ, ਸੰਦਰਭ, ਵਿਚਾਰ ਕੀਤੇ ਗਏ ਵਿਕਲਪ, ਅਤੇ ਤਰਕ। ਇਹ ਪੂਰਕ ਲੇਅਰ ਹਨ: ਨਿਗਰਾਨੀ ਕਾਰਵਾਈ ਦੀ ਡੀਬੱਗਿੰਗ ਲਈ, ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਫੈਸਲੇ ਦੀ ਸਮਝਣ ਲਈ।
ਹਾਂ, ਇਹ ਵੱਖ-ਵੱਖ ਉਦੇਸ਼ਾਂ ਦੀ ਸੇਵਾ ਕਰਦੇ ਹਨ। ਨਿਗਰਾਨੀ ਤੁਹਾਨੂੰ ਦੱਸਦੀ ਹੈ ਕਿ ਇੱਕ ਏਜੈਂਟ ਨੇ 2.3 ਸਕਿੰਟ ਵਿੱਚ 47 API ਕਾਲਾਂ ਕੀਤੀਆਂ। ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਤੁਹਾਨੂੰ ਦੱਸਦੀ ਹੈ ਕਿ ਇਸ ਨੇ ਨੀਤੀ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਬਾਵਜੂਦ ਉਸ ਰਿਫੰਡ ਬੇਨਤੀ ਨੂੰ ਕਿਉਂ ਮਨਜ਼ੂਰ ਕੀਤਾ। ਪੂਰੀ ਦ੍ਰਿਸ਼ਟੀ ਲਈ ਦੋਹਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਨਹੀਂ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ। ਨਿਗਰਾਨੀ ਦੇ ਟੂਲ ਕਾਰਵਾਈ ਦੇ ਆਰਟੀਫੈਕਟਾਂ ਨੂੰ ਪਕੜਦੇ ਹਨ — ਲਾਗ, ਟ੍ਰੇਸ, ਮੈਟਰਿਕਸ। ਇਹ ਫੈਸਲਿਆਂ ਦੀ ਨਾਰਮਟਿਵ ਸੰਰਚਨਾ ਨੂੰ ਨਹੀਂ ਪਕੜਦੇ: ਕਿਹੜੇ ਤਰਕ ਸਮਰਥਨ ਜਾਂ ਵਿਰੋਧ ਕਰਦੇ ਹਨ, ਕਿਹੜੇ ਪੂਰਵ ਨਿਦੇਸ਼ਾਂ ਨੂੰ ਵਿਚਾਰਿਆ ਗਿਆ, ਕਿਹੜਾ ਭਰੋਸਾ ਪੱਧਰ ਦਿੱਤਾ ਗਿਆ। ਇਸ ਲਈ ਇੱਕ ਉਦੇਸ਼-ਬਣਾਈ ਗਈ ਫੈਸਲਾ ਲੇਅਰ ਦੀ ਲੋੜ ਹੈ।
ਨਹੀਂ। ਲਾਗਿੰਗ ਵਰਣਨਾਤਮਕ ਹੈ ('ਇਹ ਹੋਇਆ')। ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਨਾਰਮਟਿਵ ਹੈ ('ਇਹ ਤਰਕ ਮਨਜ਼ੂਰੀ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ...')। ਫਰਕ ਪੂਰਵ ਨਿਦੇਸ਼ਾਂ ਦੀ ਖੋਜ, ਸੰਸਥਾਗਤ ਯਾਦ, ਅਤੇ ਸਮਝਣਯੋਗ AI ਦੀ ਯੋਗਤਾਵਾਂ ਨੂੰ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ — ਜੋ ਲਾਗਿੰਗ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰ ਸਕਦੀ।
AI ਏਜੈਂਟਰੀ ਮੌਜੂਦਾ ਨਿਗਰਾਨੀ ਸਟੈਕਾਂ ਨੂੰ ਪੂਰਕ ਕਰਦੀ ਹੈ। ਇਹ ਤੁਹਾਡੇ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਫਰੇਮਵਰਕ ਅਤੇ ਨਿਗਰਾਨੀ ਦੇ ਟੂਲਾਂ ਦੇ ਵਿਚਕਾਰ ਫੈਸਲੇ ਦੇ ਲੇਅਰ ਵਜੋਂ ਬੈਠਦੀ ਹੈ। ਤੁਸੀਂ ਆਪਣੀ ਮੌਜੂਦਾ ਨਿਗਰਾਨੀ ਰੱਖਦੇ ਹੋ; AI ਏਜੈਂਟਰੀ ਫੈਸਲੇ ਦੇ ਤਰਕ ਦੇ ਲੇਅਰ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੀ ਹੈ।
ਨਿਯਮਕ ਪੁੱਛਦੇ ਹਨ 'AI ਨੇ X ਕਿਉਂ ਫੈਸਲਾ ਕੀਤਾ?' ਨਿਗਰਾਨੀ ਕਾਰਵਾਈ ਦੇ ਟ੍ਰੇਸ ਦਿਖਾਉਂਦੀ ਹੈ। ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ: ਤਰਕ ਦੀ ਚੇਨ, ਨੀਤੀ ਮੁਲਾਂਕਣ, ਪੂਰਵ ਨਿਦੇਸ਼ਾਂ ਨੂੰ ਵਿਚਾਰਿਆ ਗਿਆ, ਅਤੇ ਤਰਕ ਚੁਣਿਆ ਗਿਆ। ਇਹ ਸਮਝਣਯੋਗ AI ਦੀਆਂ ਲੋੜਾਂ ਲਈ ਅਹਿਮ ਹੈ।
ਆਪਣੀ ਨਿਗਰਾਨੀ ਰੱਖੋ। ਫੈਸਲਾ ਟ੍ਰੇਸਿੰਗ ਜੋੜੋ। ਪੂਰੀ ਦ੍ਰਿਸ਼ਟੀ ਪ੍ਰਾਪਤ ਕਰੋ।